中英术语对照表 · Glossary
本表为《maths-cs-ai-compendium》中译工程的术语规范。凡书中出现的名词、缩写、隐喻，一律以本表为准；遇歧义，采用"备注"列指定的首选译法。
- 缩写(MLP/CNN/GPU 等)通常不译，直接沿用英文。
- 大写专有名词(Transformer, ResNet, PyTorch)保留英文。
- 数学符号、公式一律不译。
- 有争议的译法在备注中列出，采用首选。
0. 全书数学记号约定 (Global Notation Conventions)
本节为全书统一的数学排版规范，凡未特别声明的章节均遵循此约定。若某章因领域惯例需偏离(如统计中矩阵有时以斜体表示)，须在该章开头显式说明。
0.1 标量、向量、矩阵、张量
| 对象 |
记号 |
示例 |
说明 |
| 标量 (scalar) |
小写斜体 |
\(x, y, \alpha, \lambda\) |
单个实数或复数 |
| 向量 (vector) |
小写粗体 |
\(\mathbf{x}, \mathbf{v}, \boldsymbol{\theta}\) |
默认列向量；行向量记作 \(\mathbf{x}^\top\) |
| 矩阵 (matrix) |
大写粗体 |
\(\mathbf{A}, \mathbf{W}, \mathbf{X}\) |
元素 \(A_{ij}\) 用大写斜体加下标 |
| 张量 (tensor) |
花体或书法体 |
\(\mathcal{T}, \mathsf{T}\) |
三阶及以上 |
分量约定: \(\mathbf{x} = (x_1, x_2, \ldots, x_n)^\top \in \mathbb{R}^n\)；矩阵 \(\mathbf{A} \in \mathbb{R}^{m \times n}\) 的第 \(i\) 行第 \(j\) 列元素记作 \(A_{ij}\) 或 \([\mathbf{A}]_{ij}\)。
0.2 集合与空间
| 对象 |
记号 |
示例 |
| 一般集合 |
花体大写 |
\(\mathcal{X}, \mathcal{Y}, \mathcal{D}\) (数据集), \(\mathcal{H}\) (假设空间) |
| 数域 |
空心体 |
\(\mathbb{R}, \mathbb{Z}, \mathbb{N}, \mathbb{C}, \mathbb{Q}\) |
| 幂集 |
\(2^{\mathcal{X}}\) 或 \(\mathcal{P}(\mathcal{X})\) |
|
0.3 概率与统计
| 对象 |
记号 |
说明 |
| 概率测度 / 事件概率 |
大写 \(P\) 或 \(\mathbb{P}\) |
如 \(P(A), \mathbb{P}(X > 0)\) |
| 概率密度 / 质量函数 |
小写 \(p\) 或 \(q\) |
如 \(p(x), p(x \mid y)\) |
| 随机变量 |
大写斜体 |
\(X, Y, Z\) |
| 随机变量取值 |
小写斜体 |
\(x, y, z\) (即 \(X = x\)) |
| 期望 |
\(\mathbb{E}\) |
\(\mathbb{E}_{x \sim p}[f(x)]\) |
| 方差 / 协方差 |
\(\mathrm{Var}, \mathrm{Cov}\) |
直立体 |
| 分布记号 |
\(X \sim \mathcal{N}(\mu, \sigma^2)\) |
分布名用花体或直立体 |
关键区分: \(P\) 是测度/概率(无量纲，取值 \([0,1]\)), \(p\) 是密度(可 \(>1\)，对连续变量而言)；二者不可混用。
0.4 常见算子与函数
- 微分算子：\(\mathrm{d}, \partial, \nabla\) (直立体)；梯度 \(\nabla_{\mathbf{x}} f\)。
- 期望、方差、迹、秩等具名算子用直立体：\(\mathbb{E}, \mathrm{Var}, \mathrm{tr}, \mathrm{rank}\)。
- \(\log\) 默认以 \(e\) 为底(自然对数)；需其他底时显式写作 \(\log_2, \log_{10}\)。
- 转置用 \(\mathbf{A}^\top\)(避免与共轭 \(\mathbf{A}^*\)、Hermite 转置 \(\mathbf{A}^{\mathsf{H}}\) 混淆)。
0.5 索引与遍历
- 样本索引用 \(i, j\) (上标括号): \(\mathbf{x}^{(i)}\) 表示第 \(i\) 个样本，\(x_j^{(i)}\) 表示第 \(i\) 个样本的第 \(j\) 维。
- 迭代/时间步用 \(t\): \(\boldsymbol{\theta}^{(t)}\) 表示第 \(t\) 步的参数。
- 层号用上标方括号：\(\mathbf{W}^{[l]}\) 表示第 \(l\) 层权重(深度学习章节)。
1. 数学基础 (Foundations of Math)
| 英文 |
中文 |
备注 |
| axiom |
公理 |
|
| theorem |
定理 |
|
| lemma |
引理 |
|
| corollary |
推论 |
|
| proof |
证明 |
|
| field |
域 |
抽象代数意义，非 "field of study" |
| set |
集合 |
|
| subset |
子集 |
|
| function |
函数 |
|
| mapping |
映射 |
亦作 "变换" |
| domain |
定义域 |
|
| range / codomain |
值域 / 陪域 |
|
| identity element |
单位元 |
|
| inverse element |
逆元 |
|
| commutativity |
交换律 |
|
| associativity |
结合律 |
|
| distributivity |
分配律 |
|
| closure |
封闭性 |
|
| real numbers (\(\mathbb{R}\)) |
实数 |
|
| integers (\(\mathbb{Z}\)) |
整数 |
|
| rational numbers |
有理数 |
|
| complex numbers |
复数 |
|
| Euclidean space |
欧几里得空间 |
亦作 "欧氏空间" |
2. 线性代数 (Linear Algebra)
| 英文 |
中文 |
备注 |
| vector |
向量 |
|
| vector space |
向量空间 |
|
| subspace |
子空间 |
|
| scalar |
标量 |
|
| scalar multiplication |
标量乘法 |
|
| linear combination |
线性组合 |
|
| linear independence |
线性无关 |
|
| span |
张成 |
亦作 "生成"；采用 "张成" |
| basis |
基 |
|
| dimension |
维度 |
|
| coordinate |
坐标 |
|
| matrix |
矩阵 |
|
| matrix multiplication |
矩阵乘法 |
|
| transpose |
转置 |
|
| inverse (matrix) |
逆矩阵 |
|
| identity matrix |
单位矩阵 |
|
| determinant |
行列式 |
|
| trace |
迹 |
|
| rank |
秩 |
|
| null space / kernel |
零空间 / 核 |
|
| column space |
列空间 |
|
| row space |
行空间 |
|
| eigenvalue |
特征值 |
|
| eigenvector |
特征向量 |
|
| eigendecomposition |
特征分解 |
|
| SVD (Singular Value Decomposition) |
奇异值分解 |
缩写不译 |
| PCA (Principal Component Analysis) |
主成分分析 |
缩写不译 |
| orthogonal |
正交 |
|
| orthonormal |
单位正交 |
|
| dot product / inner product |
点积 / 内积 |
|
| cross product |
叉积 |
|
| outer product |
外积 |
|
| norm |
范数 |
|
| L1 norm |
L1 范数 |
亦作 "曼哈顿距离" |
| L2 norm |
L2 范数 |
亦作 "欧几里得范数" |
| cosine similarity |
余弦相似度 |
|
| projection |
投影 |
|
| linear transformation |
线性变换 |
|
| feature vector |
特征向量 |
ML 语境；与线代 eigenvector 区分 |
| tensor |
张量 |
|
| broadcasting |
广播 |
NumPy/PyTorch 语义 |
3. 微积分与优化 (Calculus & Optimization)
| 英文 |
中文 |
备注 |
| derivative |
导数 |
|
| partial derivative |
偏导数 |
|
| gradient |
梯度 |
|
| Jacobian |
雅可比矩阵 |
|
| Hessian |
海森矩阵 |
亦作 "黑塞矩阵" |
| chain rule |
链式法则 |
|
| Taylor series |
泰勒级数 |
|
| integral |
积分 |
|
| limit |
极限 |
|
| continuity |
连续性 |
|
| differentiability |
可微性 |
|
| convexity |
凸性 |
|
| convex function |
凸函数 |
|
| gradient descent |
梯度下降 |
|
| stochastic gradient descent (SGD) |
随机梯度下降 |
缩写常保留 |
| learning rate |
学习率 |
|
| optimizer |
优化器 |
|
| momentum |
动量 |
|
| Adam |
Adam |
优化器名，保留 |
| RMSProp |
RMSProp |
保留 |
| weight decay |
权重衰减 |
|
| loss function |
损失函数 |
|
| cost function |
代价函数 |
|
| objective function |
目标函数 |
|
| minimum / maximum |
极小值 / 极大值 |
|
| local minimum |
局部极小 |
|
| global minimum |
全局极小 |
|
| saddle point |
鞍点 |
|
| convergence |
收敛 |
|
4. 概率与统计 (Probability & Statistics)
| 英文 |
中文 |
备注 |
| probability |
概率 |
|
| random variable |
随机变量 |
|
| distribution |
分布 |
|
| probability density function (PDF) |
概率密度函数 |
|
| cumulative distribution function (CDF) |
累积分布函数 |
|
| expectation / mean |
期望 / 均值 |
|
| variance |
方差 |
|
| standard deviation |
标准差 |
|
| covariance |
协方差 |
|
| correlation |
相关系数 |
|
| Gaussian / normal distribution |
高斯分布 / 正态分布 |
|
| Bernoulli distribution |
伯努利分布 |
|
| binomial distribution |
二项分布 |
|
| Poisson distribution |
泊松分布 |
|
| uniform distribution |
均匀分布 |
|
| conditional probability |
条件概率 |
|
| Bayes' theorem |
贝叶斯定理 |
|
| prior |
先验 |
|
| posterior |
后验 |
|
| likelihood |
似然 |
|
| maximum likelihood estimation (MLE) |
极大似然估计 |
缩写常保留 |
| maximum a posteriori (MAP) |
最大后验估计 |
缩写常保留 |
| entropy |
熵 |
|
| cross-entropy |
交叉熵 |
|
| KL divergence |
KL 散度 |
保留缩写 |
| mutual information |
互信息 |
|
| hypothesis test |
假设检验 |
|
| p-value |
p 值 |
|
| confidence interval |
置信区间 |
|
| central limit theorem |
中心极限定理 |
|
| law of large numbers |
大数定律 |
|
| Markov chain |
马尔可夫链 |
|
| Monte Carlo |
蒙特卡罗 |
|
5. 经典机器学习 (Classical ML)
| 英文 |
中文 |
备注 |
| machine learning |
机器学习 |
|
| supervised learning |
监督学习 |
|
| unsupervised learning |
无监督学习 |
|
| semi-supervised learning |
半监督学习 |
|
| self-supervised learning |
自监督学习 |
|
| reinforcement learning |
强化学习 |
|
| training |
训练 |
|
| inference |
推理 |
亦作 "推断"；采用 "推理" |
| validation |
验证 |
|
| test set |
测试集 |
|
| overfitting |
过拟合 |
|
| underfitting |
欠拟合 |
|
| regularization |
正则化 |
|
| bias-variance tradeoff |
偏差-方差权衡 |
|
| cross-validation |
交叉验证 |
|
| feature engineering |
特征工程 |
|
| feature |
特征 |
|
| label |
标签 |
|
| linear regression |
线性回归 |
|
| logistic regression |
逻辑回归 |
亦作 "对数几率回归" |
| decision tree |
决策树 |
|
| random forest |
随机森林 |
|
| gradient boosting |
梯度提升 |
|
| XGBoost |
XGBoost |
保留 |
| k-nearest neighbors (KNN) |
k 近邻 |
|
| k-means |
k 均值 |
|
| clustering |
聚类 |
|
| classification |
分类 |
|
| regression |
回归 |
|
| SVM (Support Vector Machine) |
支持向量机 |
缩写常保留 |
| kernel trick |
核技巧 |
|
| ensemble |
集成 |
|
| bagging |
装袋 |
常保留英文 |
| boosting |
提升 |
常保留英文 |
| precision |
精确率 |
|
| recall |
召回率 |
|
| F1 score |
F1 分数 |
|
| accuracy |
准确率 |
|
| ROC curve |
ROC 曲线 |
|
| AUC |
AUC |
缩写不译 |
| confusion matrix |
混淆矩阵 |
|
6. 深度学习 (Deep Learning)
| 英文 |
中文 |
备注 |
| deep learning |
深度学习 |
|
| neural network |
神经网络 |
|
| neuron |
神经元 |
|
| hidden layer |
隐藏层 |
|
| MLP (Multi-Layer Perceptron) |
多层感知机 |
缩写常保留 |
| fully connected layer / dense layer |
全连接层 |
|
| forward pass |
前向传播 |
|
| backpropagation |
反向传播 |
|
| backward pass |
反向传播 |
同上 |
| activation function |
激活函数 |
|
| ReLU |
ReLU |
保留；释义时说"修正线性单元" |
| sigmoid |
Sigmoid |
保留 |
| tanh |
tanh |
保留 |
| GELU |
GELU |
保留；高斯误差线性单元 |
| Swish |
Swish |
保留 |
| softmax |
Softmax |
保留 |
| weight |
权重 |
|
| bias |
偏置 |
与 statistical bias(偏差) 区分 |
| parameter |
参数 |
|
| hyperparameter |
超参数 |
|
| epoch |
轮次 |
常保留英文 |
| batch |
批 / 批次 |
|
| mini-batch |
小批 |
|
| batch size |
批大小 |
|
| initialization |
初始化 |
|
| Xavier initialization |
Xavier 初始化 |
亦作 "Glorot 初始化" |
| He initialization |
He 初始化 |
亦作 "Kaiming 初始化" |
| batch normalization |
批归一化 |
亦作 "批量标准化"；首选 "批归一化" |
| layer normalization |
层归一化 |
|
| instance normalization |
实例归一化 |
|
| group normalization |
组归一化 |
|
| dropout |
Dropout |
保留；释义时说"随机丢弃" |
| vanishing gradient |
梯度消失 |
|
| exploding gradient |
梯度爆炸 |
|
| skip connection / residual connection |
跳跃连接 / 残差连接 |
|
| universal approximation theorem |
万能逼近定理 |
|
| representation learning |
表征学习 |
|
| embedding |
嵌入 / 嵌入向量 |
首选 "嵌入" |
| latent space |
潜空间 |
亦作 "隐空间" |
| feature map |
特征图 |
|
| receptive field |
感受野 |
|
| convolution |
卷积 |
|
| CNN (Convolutional Neural Network) |
卷积神经网络 |
缩写常保留 |
| kernel / filter |
卷积核 / 滤波器 |
|
| stride |
步长 |
|
| padding |
填充 |
|
| dilation |
膨胀 / 空洞 |
首选 "膨胀"；亦作 "空洞卷积" (dilated conv) |
| pooling |
池化 |
|
| max pooling |
最大池化 |
|
| average pooling |
平均池化 |
|
| global average pooling (GAP) |
全局平均池化 |
|
| depthwise separable convolution |
深度可分离卷积 |
|
| RNN (Recurrent Neural Network) |
循环神经网络 |
缩写常保留 |
| LSTM |
LSTM |
长短期记忆网络，缩写常保留 |
| GRU |
GRU |
门控循环单元，缩写常保留 |
| forget gate |
遗忘门 |
|
| input gate |
输入门 |
|
| output gate |
输出门 |
|
| cell state |
细胞状态 |
亦作 "元胞状态" |
| hidden state |
隐藏状态 |
|
| autoencoder |
自编码器 |
|
| VAE (Variational Autoencoder) |
变分自编码器 |
缩写常保留 |
| GAN (Generative Adversarial Network) |
生成对抗网络 |
缩写常保留 |
| generator |
生成器 |
|
| discriminator |
判别器 |
|
| diffusion model |
扩散模型 |
|
| denoising |
去噪 |
|
| reparameterization trick |
重参数化技巧 |
|
| ResNet |
ResNet |
保留 |
| DenseNet |
DenseNet |
保留 |
| Inception |
Inception |
保留；释义"Inception 模块" |
| VGG |
VGG |
保留 |
| AlexNet / LeNet |
AlexNet / LeNet |
保留 |
| MobileNet |
MobileNet |
保留 |
| EfficientNet |
EfficientNet |
保留 |
| compound scaling |
复合缩放 |
|
| Grad-CAM |
Grad-CAM |
保留 |
| neural style transfer |
神经风格迁移 |
|
| 英文 |
中文 |
备注 |
| attention |
注意力 |
|
| self-attention |
自注意力 |
|
| cross-attention |
交叉注意力 |
|
| multi-head attention |
多头注意力 |
|
| scaled dot-product attention |
缩放点积注意力 |
|
| query / key / value (Q, K, V) |
查询 / 键 / 值 |
|
| Transformer |
Transformer |
保留 |
| encoder |
编码器 |
|
| decoder |
解码器 |
|
| encoder-only |
仅编码器 |
|
| decoder-only |
仅解码器 |
|
| encoder-decoder |
编码器-解码器 |
|
| positional encoding |
位置编码 |
|
| sinusoidal encoding |
正弦位置编码 |
|
| RoPE (Rotary Position Embedding) |
旋转位置编码 |
缩写常保留 |
| ALiBi |
ALiBi |
保留；释义"带线性偏置的注意力" |
| causal mask |
因果掩码 |
|
| masked language modelling (MLM) |
掩码语言建模 |
缩写常保留 |
| causal language modelling (CLM) |
因果语言建模 |
缩写常保留 |
| next sentence prediction (NSP) |
下一句预测 |
|
| pre-training |
预训练 |
|
| fine-tuning |
微调 |
|
| prompt |
提示 / 提示词 |
首选 "提示词" |
| prompt engineering |
提示工程 |
|
| zero-shot |
零样本 |
|
| few-shot |
少样本 |
|
| in-context learning (ICL) |
上下文学习 |
|
| chain-of-thought (CoT) |
思维链 |
|
| BERT |
BERT |
保留 |
| GPT |
GPT |
保留 |
| T5 |
T5 |
保留 |
| BART |
BART |
保留 |
| LLM (Large Language Model) |
大语言模型 |
缩写常保留 |
| tokenization |
分词 / 分词化 |
|
| token |
Token |
保留 (亦作 "词元") |
| subword |
子词 |
|
| BPE (Byte Pair Encoding) |
字节对编码 |
|
| WordPiece |
WordPiece |
保留 |
| SentencePiece |
SentencePiece |
保留 |
| scaling laws |
缩放律 |
亦作 "扩展律" |
| Chinchilla scaling |
Chinchilla 缩放 |
保留 |
| MoE (Mixture of Experts) |
专家混合模型 |
缩写常保留 |
| expert |
专家 |
|
| router / gating network |
路由 / 门控网络 |
|
| load balancing loss |
负载均衡损失 |
|
| PEFT (Parameter-Efficient Fine-Tuning) |
参数高效微调 |
缩写常保留 |
| LoRA (Low-Rank Adaptation) |
低秩适配 |
缩写常保留 |
| adapter |
适配器 |
|
| prefix tuning |
前缀微调 |
|
| prompt tuning |
提示微调 |
|
| RLHF |
RLHF |
基于人类反馈的强化学习，缩写常保留 |
| SFT (Supervised Fine-Tuning) |
有监督微调 |
缩写常保留 |
| DPO |
DPO |
直接偏好优化，缩写常保留 |
| perplexity |
困惑度 |
|
| BLEU / ROUGE / METEOR |
BLEU / ROUGE / METEOR |
保留 |
8. 计算机视觉 (Computer Vision)
| 英文 |
中文 |
备注 |
| image classification |
图像分类 |
|
| object detection |
目标检测 |
|
| semantic segmentation |
语义分割 |
|
| instance segmentation |
实例分割 |
|
| panoptic segmentation |
全景分割 |
|
| bounding box |
边界框 |
|
| IoU (Intersection over Union) |
交并比 |
|
| anchor box |
锚框 |
|
| NMS (Non-Maximum Suppression) |
非极大值抑制 |
缩写常保留 |
| feature pyramid network (FPN) |
特征金字塔网络 |
|
| ViT (Vision Transformer) |
视觉 Transformer |
缩写常保留 |
| MLP-Mixer |
MLP-Mixer |
保留 |
| CLS token |
CLS Token |
保留 |
| patch |
图块 / Patch |
首选 "图块" |
| data augmentation |
数据增强 |
|
| Mixup / CutMix / RandAugment |
Mixup / CutMix / RandAugment |
保留 |
| transfer learning |
迁移学习 |
|
| feature extraction |
特征提取 |
|
| ImageNet |
ImageNet |
保留 |
| pixel |
像素 |
|
| channel |
通道 |
|
| edge detection |
边缘检测 |
|
| Sobel / Canny |
Sobel / Canny |
保留 |
| Gaussian blur |
高斯模糊 |
|
| histogram |
直方图 |
|
| optical flow |
光流 |
|
9. 音频与语音 (Audio & Speech)
| 英文 |
中文 |
备注 |
| waveform |
波形 |
|
| sample rate |
采样率 |
|
| spectrogram |
频谱图 |
|
| mel-spectrogram |
梅尔频谱图 |
|
| MFCC |
MFCC |
梅尔频率倒谱系数，缩写常保留 |
| Fourier transform |
傅里叶变换 |
|
| FFT (Fast Fourier Transform) |
快速傅里叶变换 |
|
| STFT |
短时傅里叶变换 |
缩写常保留 |
| ASR (Automatic Speech Recognition) |
自动语音识别 |
缩写常保留 |
| TTS (Text-to-Speech) |
文本转语音 |
缩写常保留 |
| speaker diarization |
说话人分离 |
|
| voice activity detection (VAD) |
语音活动检测 |
|
| Whisper |
Whisper |
保留 |
| wav2vec |
wav2vec |
保留 |
10. 多模态学习 (Multimodal Learning)
| 英文 |
中文 |
备注 |
| multimodal |
多模态 |
|
| modality |
模态 |
|
| vision-language model (VLM) |
视觉-语言模型 |
缩写常保留 |
| CLIP |
CLIP |
保留 |
| contrastive learning |
对比学习 |
|
| InfoNCE loss |
InfoNCE 损失 |
保留 |
| image-text pair |
图文对 |
|
| joint embedding |
联合嵌入 |
|
| cross-modal |
跨模态 |
|
| captioning |
图像描述 / 字幕生成 |
|
| VQA (Visual Question Answering) |
视觉问答 |
|
11. 图神经网络与自主系统 (GNN & Robotics)
| 英文 |
中文 |
备注 |
| GNN (Graph Neural Network) |
图神经网络 |
缩写常保留 |
| node |
节点 |
|
| edge |
边 |
|
| graph |
图 |
|
| adjacency matrix |
邻接矩阵 |
|
| message passing |
消息传递 |
|
| GCN (Graph Convolutional Network) |
图卷积网络 |
|
| GAT (Graph Attention Network) |
图注意力网络 |
|
| GraphSAGE |
GraphSAGE |
保留 |
| pooling (graph) |
图池化 |
|
| autonomous system |
自主系统 |
|
| SLAM |
SLAM |
同步定位与建图，缩写常保留 |
| Kalman filter |
卡尔曼滤波 |
|
| PID controller |
PID 控制器 |
缩写不译 |
| policy |
策略 |
|
| reward |
奖励 |
|
| Q-learning |
Q 学习 |
|
| actor-critic |
演员-评论家 |
|
| MDP (Markov Decision Process) |
马尔可夫决策过程 |
缩写常保留 |
12. 计算与操作系统 (Computing & OS)
| 英文 |
中文 |
备注 |
| operating system (OS) |
操作系统 |
|
| process |
进程 |
|
| thread |
线程 |
|
| context switch |
上下文切换 |
|
| scheduler |
调度器 |
|
| system call |
系统调用 |
|
| kernel (OS) |
内核 |
与 CNN 的 kernel(卷积核) 区分 |
| user space |
用户态 |
|
| memory management |
内存管理 |
|
| virtual memory |
虚拟内存 |
|
| paging |
分页 |
|
| cache |
缓存 |
|
| L1 / L2 / L3 cache |
L1 / L2 / L3 缓存 |
|
| RAM |
内存 (RAM) |
|
| register |
寄存器 |
|
| instruction |
指令 |
|
| pipeline |
流水线 |
|
| interrupt |
中断 |
|
| file system |
文件系统 |
|
| mutex / lock |
互斥锁 / 锁 |
|
| semaphore |
信号量 |
|
| deadlock |
死锁 |
|
| race condition |
竞态条件 |
|
13. 数据结构与算法 (DSA)
| 英文 |
中文 |
备注 |
| algorithm |
算法 |
|
| data structure |
数据结构 |
|
| Big O notation |
大 O 记号 |
|
| time complexity |
时间复杂度 |
|
| space complexity |
空间复杂度 |
|
| array |
数组 |
|
| linked list |
链表 |
|
| stack |
栈 |
|
| queue |
队列 |
|
| deque |
双端队列 |
|
| hash table / hash map |
哈希表 / 哈希映射 |
|
| tree |
树 |
|
| binary tree |
二叉树 |
|
| BST (Binary Search Tree) |
二叉搜索树 |
|
| heap |
堆 |
|
| priority queue |
优先队列 |
|
| trie |
字典树 |
亦作 "前缀树" |
| graph (DSA) |
图 |
|
| BFS |
广度优先搜索 |
缩写常保留 |
| DFS |
深度优先搜索 |
缩写常保留 |
| recursion |
递归 |
|
| iteration |
迭代 |
|
| divide and conquer |
分治 |
|
| dynamic programming (DP) |
动态规划 |
缩写常保留 |
| memoization |
记忆化 |
|
| greedy algorithm |
贪心算法 |
|
| backtracking |
回溯 |
|
| two pointers |
双指针 |
|
| sliding window |
滑动窗口 |
|
| binary search |
二分查找 |
|
| sorting |
排序 |
|
| merge sort |
归并排序 |
|
| quick sort |
快速排序 |
|
| heap sort |
堆排序 |
|
| topological sort |
拓扑排序 |
|
| Dijkstra |
Dijkstra 算法 |
保留人名 |
| union-find |
并查集 |
|
| optimal substructure |
最优子结构 |
|
| overlapping subproblems |
重叠子问题 |
|
14. SIMD 与 GPU 硬件 (SIMD & GPU Hardware)
| 英文 |
中文 |
备注 |
| Moore's Law |
摩尔定律 |
|
| clock speed / clock frequency |
时钟频率 |
|
| transistor |
晶体管 |
|
| core |
核心 |
|
| multi-core |
多核 |
|
| superscalar |
超标量 |
|
| out-of-order execution |
乱序执行 |
|
| branch prediction |
分支预测 |
|
| speculative execution |
推测执行 |
|
| instruction-level parallelism (ILP) |
指令级并行 |
|
| data-level parallelism |
数据级并行 |
|
| SIMD |
SIMD |
单指令多数据，缩写不译 |
| SIMT |
SIMT |
单指令多线程，缩写不译 |
| vector register |
向量寄存器 |
|
| SSE / AVX / AVX-512 |
SSE / AVX / AVX-512 |
x86 指令集，保留 |
| NEON / SVE |
NEON / SVE |
ARM 指令集，保留 |
| intrinsic |
内建函数 |
亦作 "内置函数" |
| GPU |
GPU |
缩写不译 |
| CUDA |
CUDA |
保留 |
| CPU |
CPU |
缩写不译 |
| TPU |
TPU |
缩写不译 |
| ASIC |
ASIC |
缩写不译 |
| FPGA |
FPGA |
缩写不译 |
| FLOPS |
FLOPS |
每秒浮点运算数，缩写不译 |
| bandwidth |
带宽 |
|
| latency |
延迟 |
|
| throughput |
吞吐量 |
|
| roofline model |
Roofline 模型 |
保留 |
| arithmetic intensity |
算术强度 |
亦作 "计算强度" |
| memory-bound |
内存受限 |
|
| compute-bound |
计算受限 |
|
| kernel (GPU) |
核函数 |
GPU 语境；与 OS kernel 区分 |
| kernel fusion |
算子融合 |
亦作 "核融合" |
| warp |
Warp |
保留;CUDA 术语 |
| block / grid |
块 / 网格 |
CUDA 术语 |
| shared memory |
共享内存 |
|
| global memory |
全局内存 |
|
| tensor core |
Tensor Core |
保留 |
| FMA (Fused Multiply-Add) |
融合乘加 |
|
| BLAS |
BLAS |
保留 |
| GEMM |
GEMM |
通用矩阵乘，保留 |
15. AI 推理与部署 (Inference & Deployment)
| 英文 |
中文 |
备注 |
| inference |
推理 |
|
| latency (inference) |
推理延迟 |
|
| throughput (serving) |
服务吞吐 |
|
| quantization |
量化 |
|
| INT8 / FP16 / BF16 / FP32 |
INT8 / FP16 / BF16 / FP32 |
保留 |
| pruning |
剪枝 |
|
| distillation |
蒸馏 |
|
| knowledge distillation |
知识蒸馏 |
|
| KV cache |
KV 缓存 |
保留 |
| speculative decoding |
推测解码 |
|
| batching |
批处理 |
|
| continuous batching |
连续批处理 |
|
| paged attention |
PagedAttention |
保留 (vLLM 术语) |
| flash attention |
FlashAttention |
保留 |
| ONNX |
ONNX |
保留 |
| TensorRT |
TensorRT |
保留 |
| vLLM / TGI / SGLang |
vLLM / TGI / SGLang |
保留 |
| serving |
服务化 |
|
| edge deployment |
边缘部署 |
|
| model registry |
模型仓库 |
|
16. 系统设计与工程 (Systems Design & Engineering)
| 英文 |
中文 |
备注 |
| scalability |
可扩展性 |
|
| horizontal scaling |
水平扩展 |
|
| vertical scaling |
垂直扩展 |
|
| load balancer |
负载均衡器 |
|
| microservice |
微服务 |
|
| API |
API |
缩写不译 |
| REST |
REST |
保留 |
| gRPC |
gRPC |
保留 |
| database |
数据库 |
|
| SQL / NoSQL |
SQL / NoSQL |
保留 |
| indexing |
索引 |
|
| sharding |
分片 |
|
| replication |
复制 |
|
| caching (systems) |
缓存 |
|
| queue (message) |
消息队列 |
|
| Kafka |
Kafka |
保留 |
| Redis |
Redis |
保留 |
| CI/CD |
CI/CD |
缩写不译 |
| containerization |
容器化 |
|
| Docker / Kubernetes |
Docker / Kubernetes (K8s) |
保留 |
| observability |
可观测性 |
|
| logging |
日志 |
|
| metrics |
指标 |
|
| tracing |
链路追踪 |
|
| DAG |
DAG |
有向无环图，缩写常保留 |
| dataflow |
数据流 |
|
| MLOps |
MLOps |
保留 |
| feature store |
特征仓库 |
|
| A/B test |
A/B 测试 |
|
| model drift |
模型漂移 |
|
| data drift |
数据漂移 |
|
17. 应用 AI 与前沿 (Applied & Frontier AI)
| 英文 |
中文 |
备注 |
| agent |
智能体 / Agent |
首选 "智能体"；高频语境保留 "Agent" |
| tool use / function calling |
工具调用 / 函数调用 |
|
| RAG (Retrieval-Augmented Generation) |
检索增强生成 |
缩写常保留 |
| retriever |
检索器 |
|
| vector database |
向量数据库 |
|
| ANN (Approximate Nearest Neighbor) |
近似最近邻 |
缩写常保留 |
| HNSW / FAISS |
HNSW / FAISS |
保留 |
| hallucination |
幻觉 |
|
| alignment |
对齐 |
|
| red teaming |
红队测试 |
|
| jailbreak |
越狱 |
|
| SSM (State Space Model) |
状态空间模型 |
缩写常保留 |
| Mamba |
Mamba |
保留 |
| world model |
世界模型 |
|
| foundation model |
基础模型 |
|
| emergence |
涌现 |
|
| grokking |
Grokking |
保留；释义"顿悟式泛化" |
| test-time compute |
测试时计算 |
|
| reasoning model |
推理模型 |
|
| Mixture of Depths |
深度混合 |
参照 MoE |
19. 生物学与蛋白质设计 (Biology & Protein Design)
| 英文 |
中文 |
备注 |
| amino acid |
氨基酸 |
|
| peptide bond |
肽键 |
|
| primary / secondary / tertiary / quaternary structure |
一级 / 二级 / 三级 / 四级结构 |
蛋白质结构层级 |
| alpha helix (α-helix) |
α 螺旋 |
|
| beta sheet (β-sheet) |
β 折叠 |
|
| Anfinsen's dogma |
安芬森法则 |
天然态由序列决定 |
| protein folding problem |
蛋白质折叠问题 |
|
| multiple sequence alignment (MSA) |
多序列比对 |
|
| coevolution |
共进化 |
|
| contact map |
接触图 |
|
| CASP |
蛋白质结构预测关键评估 |
缩写常保留 |
| GDT-TS |
全局距离检验-总分 |
评估结构 |
| TM-score |
TM 评分 |
评估结构 |
| pLDDT |
局部距离差异置信度 |
AlphaFold 置信度 |
| PAE (Predicted Aligned Error) |
预测对齐误差 |
|
| Evoformer |
Evoformer |
AlphaFold 2 的核心模块 |
| Invariant Point Attention (IPA) |
不变点注意力 |
|
| Frame Aligned Point Error (FAPE) |
框架对齐点误差 |
|
| AlphaFold DB |
AlphaFold 数据库 |
|
| inverse folding |
逆折叠 |
|
| de novo protein design |
蛋白质从头设计 |
|
| hallucination (protein) |
蛋白质幻觉 |
用优化生成新蛋白 |
| diffusion model |
扩散模型 |
|
| denoiser |
去噪器 |
扩散模型组件 |
| equivariant |
等变 |
|
| invariant (math) |
不变量 |
|
| protein language model |
蛋白质语言模型 |
|
| Amino Acid BERT / ProtBERT |
ProtBERT |
保留 |
| ESM (Evolutionary Scale Modeling) |
ESM |
蛋白语言模型家族，保留 |
| backbone |
骨架 |
蛋白语境指主链 |
| side chain |
侧链 |
|
| Cα (alpha carbon) |
Cα 原子 |
|
| rotamer |
旋转异构体 |
|
| catalytic residue |
催化残基 |
|
| epitope / paratope |
表位 / 互补位 |
抗原/抗体互作面 |
| antibody / immunoglobulin |
抗体 / 免疫球蛋白 |
|
| TCR (T cell receptor) |
T 细胞受体 |
缩写常保留 |
| nanobody |
纳米抗体 |
|
| binder |
结合分子 |
蛋白设计产物 |
| de novo enzyme |
从头酶 |
|
| wet-lab validation |
湿实验验证 |
实验验证 |
本书大量使用比喻、玩笑与文化梗以提升可读性。翻译时保留其风格张力，不必逐字直译，而是给出等效的中文表达。
| 英文原句 / 说法 |
中文对照 |
备注 |
| mathematical playground |
数学乐园 |
见第 01 章开头 |
| the space where ML lives |
ML 栖身之所 / ML 生活的空间 |
拟人化保留 |
| without leaving the space |
不逃出这个空间 |
强调封闭性 |
| the Darwins of the world |
像达尔文那样反应慢却坚韧的学习者 |
文化梗需铺垫说明 |
| the bedrock of the field |
领域的基石 |
|
| conveyor belt (of cell state) |
传送带 (指 LSTM 细胞状态) |
|
| gradient highway |
梯度高速公路 |
指残差连接 |
| dying ReLU |
死亡 ReLU |
保留隐喻 |
| curse of dimensionality |
维度诅咒 |
亦作 "维数灾难" |
| free lunch |
免费午餐 |
常与 "No Free Lunch Theorem" 一并出现 |
| a bug caught at compile time costs $1 |
编译期抓到一个 bug 花你 $1 |
谚语式保留 |
| out of the box |
开箱即用 |
|
| under the hood |
底层机制 / 引擎盖下 |
|
| ignite the deep learning revolution |
点燃深度学习革命 |
AlexNet 语境 |
| hit a wall |
撞上了墙 |
时钟频率停滞语境 |
| the era ended |
那个时代结束了 |
|
| garbage in, garbage out |
垃圾进，垃圾出 (GIGO) |
缩写常保留 |
| toy example |
玩具示例 |
|
| bells and whistles |
花里胡哨的功能 |
视语境亦可译 "附加功能" |
| syntactic sugar |
语法糖 |
|
| ninja / hacker (colloquial) |
高手 / 极客 |
视语境 |
| a picture is worth a thousand words |
一图胜千言 |
|
20. 医疗 AI (Healthcare AI)
| 英文 |
中文 |
备注 |
| medical imaging |
医学影像 |
|
| X-ray / CT / MRI / ultrasound |
X 光 / CT / MRI / 超声 |
缩写常保留 |
| mammography |
乳腺 X 光 (mammography) |
|
| pathology |
病理 |
|
| whole-slide image (WSI) |
全切片图像 |
病理图像 |
| radiomics |
影像组学 |
|
| DICOM |
DICOM |
医学影像标准格式，缩写不译 |
| PACS |
PACS |
影像归档系统，缩写不译 |
| EHR (Electronic Health Record) |
电子健康档案 |
缩写常保留 |
| EMR (Electronic Medical Record) |
电子病历 |
缩写常保留 |
| FHIR (Fast Healthcare Interoperability Resources) |
FHIR |
HL7 医疗数据交换标准，缩写不译 |
| HL7 |
HL7 |
医疗信息交换协议，缩写不译 |
| clinical note |
临床笔记 |
|
| SOAP (Subjective/Objective/Assessment/Plan) |
SOAP 笔记 |
临床文档结构，缩写不译 |
| ICD (International Classification of Diseases) |
国际疾病分类 |
缩写常保留 |
| ICD-10 / ICD-11 |
ICD-10 / ICD-11 |
版本号保留 |
| medical LLM |
医疗大语言模型 |
|
| medical imaging segmentation |
医学影像分割 |
|
| Dice coefficient |
Dice 系数 |
分割评估指标 |
| IoU (Intersection over Union) |
交并比 |
|
| nnU-Net |
nnU-Net |
保留 |
| MedSAM |
MedSAM |
保留 |
| U-Net |
U-Net |
保留 |
| domain adaptation |
域自适应 |
|
| external validation |
外部验证 |
|
| distribution shift |
分布漂移 |
|
| pharmacogenomics (PGx) |
药理基因组学 |
缩写常保留 |
| CYP450 |
CYP450 |
细胞色素 P450 酶家族，缩写不译 |
| CYP2D6 / CYP2C19 |
CYP2D6 / CYP2C19 |
酶亚型，缩写不译 |
| CPIC |
CPIC |
临床药物基因组学实施联盟，缩写不译 |
| polygenic risk score (PRS) |
多基因风险评分 |
|
| clinical decision support (CDS) |
临床决策支持 |
缩写常保留 |
| differential diagnosis |
鉴别诊断 |
|
| surgical robot |
手术机器人 |
|
| Da Vinci |
Da Vinci |
达芬奇手术系统 |
| visual servoing |
视觉伺服 |
|
| FDA |
FDA |
美国食品药品监督管理局，缩写不译 |
| 510(k) |
510(k) |
FDA 上市前通知路径，缩写不译 |
| De Novo |
De Novo |
FDA 全新分类，不译 |
| PMA (Premarket Approval) |
上市前批准 |
|
| NMPA |
NMPA |
国家药品监督管理局 (中国)，缩写不译 |
| CE / CE-MDR |
CE / CE-MDR |
欧盟合规标识，缩写不译 |
| MDR (Medical Device Regulation) |
医疗器械法规 |
欧盟 2021 生效 |
| HIPAA |
HIPAA |
美国医疗隐私法，缩写不译 |
| GDPR |
GDPR |
欧盟通用数据保护条例，缩写不译 |
| PHI (Protected Health Information) |
受保护健康信息 |
|
| de-identification |
去标识化 |
|
| differential privacy |
差分隐私 |
|
| federated learning (FL) |
联邦学习 |
缩写常保留 |
| homomorphic encryption |
同态加密 |
|
| fairness (algorithmic) |
(算法) 公平性 |
|
| demographic parity |
人口统计均等 |
|
| equalized odds |
等化机会 |
|
| predictive parity |
预测均等 |
|
| explainability / interpretability |
可解释性 |
两者同义，视语境 |
| Grad-CAM |
Grad-CAM |
梯度加权类激活映射，保留 |
| SHAP |
SHAP |
SHapley 加法解释，缩写不译 |
| radiologist |
放射科医生 |
|
| pathologist |
病理学家 |
|
| surgeon |
外科医生 |
|
| oncology |
肿瘤学 |
|
| cardiology |
心脏病学 |
|
| ophthalmology |
眼科学 |
|
| radiology |
放射学 |
|
| internal medicine |
内科 |
|
| precision medicine |
精准医疗 |
|
| drug-drug interaction (DDI) |
药物-药物相互作用 |
|
| adverse drug event (ADE) |
药品不良事件 |
|
| electronic phenotyping |
电子表型 |
|
| ICU (Intensive Care Unit) |
重症监护病房 |
缩写常保留 |
使用说明
- 一致性优先：同一术语在全书内保持单一译法，参见本表 "备注" 列的首选项。
- 首次出现：首次出现时使用 "中文译名 (English)" 形式，后续可只用中文或缩写。
- 缩写规则：缩写 (MLP/CNN/GPU/RLHF 等) 一律保留英文，不译。
- 公式与代码：数学符号、变量名、代码标识符一律不译。
- 专有名词：模型/架构/框架名 (Transformer/BERT/PyTorch/CUDA 等) 保留英文。
- 争议裁决：遇到多译法，以本表为准；本表未覆盖的，参照《人工智能名词》(全国科学技术名词审定委员会) 与常见中文教材惯例。